SCCAF 使用教程

1. 项目介绍

Single Cell Clustering Assessment Framework（SCCAF）是一个用于自动化识别单细胞RNA测序（scRNA-seq）数据中潜在细胞类型的方法。通过迭代应用聚类和机器学习方法到给定细胞的基因表达谱，SCCAF同时识别出不同的细胞群组以及每个群组的特征基因加权列表。这些特征基因在特定细胞群组中过表达，共同区分该细胞群组与其他细胞。每个这样的细胞群组对应一个潜在的细胞类型或状态，由特征基因作为标记。

2. 项目快速启动

安装

SCCAF可以通过以下几种方式安装：

使用pip安装

pip install sccaf

使用Bioconda安装

确保已设置conda以及bioconda通道：

conda install sccaf

使用Docker容器

选择可用的标签，替换下面的<tag>：

docker pull quay.io/biocontainers/sccaf:<tag>

使用源代码

克隆仓库并进入目录，然后执行：

git clone https://github.com/SCCAF/sccaf.git
cd sccaf
pip3 install .

使用

在Python环境中，使用预聚类的anndata对象（Scanpy包中使用的主要数据格式）。

聚类质量评估

from SCCAF import SCCAF_assessment, plot_roc
import scanpy as sc

adata = sc.read("path-to-clusterised-and-umapped-anndata-file")
y_prob, y_pred, y_test, clf, cvsm, acc = SCCAF_assessment(adata.X, adata.obs['louvain'], n=100)

import matplotlib.pyplot as plt
plot_roc(y_prob, y_test, clf, cvsm=cvsm, acc=acc)
plt.show()

优化过聚类

adata = sc.read("path-to-clusterised-and-umapped-anndata-file")
sc.tl.louvain(adata, resolution=1.5, key_added='L2_Round0')
SCCAF_optimize_all(ad=adata, plot=False, min_acc=0.9, prefix='L2', use='pca')

3. 应用案例和最佳实践

SCCAF的最佳实践通常包括以下步骤：

1. 预处理数据：确保数据已去除双细胞并有效回归批次效应。
2. 选择起始聚类：结合已建立的聚类方法和数据可视化（如tSNE）来选择起始聚类。
3. 评估聚类质量：使用SCCAF评估聚类质量，并通过ROC曲线可视化问题群组。
4. 优化聚类：对过聚类结果进行优化，通过合并无法由机器学习区分的细胞群组。

4. 典型生态项目

SCCAF作为单细胞分析工具箱的一部分，常与以下项目一起使用：

• Scanpy：用于单细胞分析的Python库。
• Seurat：R语言中的一个单细胞分析框架。
• Bioconda：生物信息学软件的conda通道。

以上是SCCAF的基本使用教程，希望对您的研究工作有所帮助。